秦曾昌
0 ? $score . '分' : '10.0分' ?>前Keep首席科学家 北京航空航天大学副教授
访问次数
10197
反馈数量
69
关于教练
现任北京航空航天大学自动化学院副教授、北航科技传播研究中心主任。 2001毕业于黑龙江大学自动化系获学士学位，并与2002年和2005年获得英国布里斯托(Bristol)大学硕士、博士。美国加州大学伯克利分校 (UC Berkeley) 博士后、牛津 (Oxford) 大学与卡内基梅隆大学 (CMU) 访问学者。目前主要研究方向为人工智能、机器学习、数据挖掘、跨媒体检索与自然语言理解。出版英文专著1本；编辑论文集2本；在WSDM,CVPR,ICASSP,EMNLP等国际会议与Information Sciences， Neurocomputing等期刊共发表论文100余篇。10年教育部新世纪优秀人才获得者。同时广泛参与信息产业界的技术咨询工作，并曾任马上金融人工智能研究院副院长、Keep首席科学家兼人工智能研究院院长。
课程
-
深度学习时代的跨模态信息建模
Feature representation of different modalities is the main focus of current cross-modal information retrieval research. Existing models typically project texts and images into the same embedding space. In this talk, we will introduce some basic ideas of text and image modeling and how can we build cross-modal relations using deep learning models. In details, we will discuss a joint model by using metric learning to minimize the similarity of the same content from different modalities. We will also introduce some recent research developments in image captioning and vision question answering (VQA)
【工作坊大纲】
1. 语义鸿沟
2. 图像建模与CNN
3. 文本模型与词向量
4. 联合模型
5. 自动标注
6. 文本生成
7. 视觉问答暂无课程排期架构师 -
机器学习入门与实践
机器学习是计算机科学中一个最活跃的分支领域之一，是人工智能的研究中最核心的一部分。与传统的严格静态编程指令不同，机器学习算法根据数据输入构建模型并由数据驱动的来进行预测与分析。机器学习可用于多种任务如垃圾邮件过滤、网络入侵者检测、字符识别、搜索引擎的构建和计算机视觉领域。本课程将解释机器学习任务和模型评估的基本概念，介绍基本核心算法，包括决策树，贝叶斯分类器，KNN，SVM和深度神经网络，并通过一些实践样例，提供实践技巧。并了解到一些最新关于深度学习理论和应用的内容。
暂无课程排期工程师
相关教练
